XiaoMi-AI文件搜索系统
World File Search System抗击
BNT162b2 疫苗对抗击危重新冠的有效性 - ...
方法我们采用病例对照、测试阴性设计来评估疫苗对 Covid-19 的有效性，这些有效性导致住院、进入重症监护病房 (ICU)、使用生命支持干预措施（机械通气、血管加压药和体外膜氧合）或死亡。2021 年 7 月 1 日至 10 月 25 日期间，我们在 23 个州的 31 家医院筛查了经实验室确诊的 Covid-19 符合条件的病例患者的入院日志。我们通过比较病例患者之前完全接种疫苗（两剂 BNT162b2）的几率以及两个基于医院的对照组来估计疫苗有效性：有 Covid-19 样症状但 SARS-CoV-2 检测结果为阴性的患者（测试阴性）和没有 Covid-19 样症状的患者（综合征阴性）。
抗击 COVID-19 的药物
这种药物用于预防或治疗痛风发作。通常痛风症状会突然出现，并且只影响一个或几个关节。大脚趾、膝盖或踝关节最容易受到影响。痛风是由血液中尿酸过多引起的。当血液中的尿酸水平过高时，尿酸可能会在关节中形成硬晶体。秋水仙碱的作用是减少肿胀和减少导致受影响关节疼痛的尿酸晶体的积聚。这种药物还用于预防由某种遗传疾病（家族性地中海热）引起的腹部、胸部或关节疼痛。它被认为通过减少身体产生某种蛋白质（淀粉样蛋白 A）起作用，这种蛋白质在家族性地中海热患者体内积聚。秋水仙碱不是止痛药，不应用于缓解其他疼痛原因。
文章 可穿戴设备、智能手机和可解释人工智能在抗击 COVID-19 中的应用
摘要：心率变异性 (HRV) 和每分钟心跳次数 (BPM) 等生理指标可以作为呼吸道感染的有力健康指标。HRV 和 BPM 可以通过广泛使用的腕戴式生物识别可穿戴设备和智能手机获取。这些指标的连续异常变化可能是 COVID-19 等呼吸道感染的早期迹象。因此，可穿戴设备和智能手机应通过其他上下文数据和人工智能 (AI) 技术支持的早期检测在抗击 COVID-19 中发挥重要作用。在本文中，我们研究了从可穿戴设备和智能手机收集的心脏测量值（即 HRV 和 BPM）在展示 COVID-19 炎症反应早期发作中的作用。AI 框架由两个模块组成：一个可解释的预测模型，用于对 HRV 测量状态进行分类（正常或受炎症影响），以及一个循环神经网络 (RNN)，用于分析用户的日常状态（即移动应用程序中的文本日志）。两种分类决策都整合在一起，以生成最终决策，即“可能感染 COVID-19”或“没有明显的感染迹象”。我们使用了一个公开可用的数据集，其中包括 186 名患者，拥有超过 3200 个 HRV 读数和大量用户文本日志。该方法的首次评估显示，在使用局部可解释的模型不可知解释 (LIME) 的模型解释支持下，在症状出现前两天预测感染的准确率为 83.34 ± 1.68%，准确率、召回率和 F1 分数分别为 0.91、0.88、0.89。
抗击流行病，建设更健康、更美好的世界……
要实现将HTM作为公共卫生威胁的使命，我们必须更多地专注于进行以人为本的催化，以人为中心的投资，这刺激了更快的进步。我们将特别强调减少三种疾病的新感染，以解决结构性障碍并利用预防工具和方法中的创新。反对艾滋病毒，我们将通过更公平的服务交付模型来关注预防艾滋病毒和治疗范围差距，这更好地适合人们的需求，特别着重于关键和其他最脆弱的群体。反对结核病，我们必须解决限制预防和治疗计划的访问和质量的全持续漏洞，障碍和差距。反对疟疾，我们将专注于提供更多以人为中心的综合干预措施，以更好地与个别社区的环境和需求保持一致，同时解决公平获取的障碍，提高服务质量，解决抵抗力并展示消除道路。与HTM这样的强大病原体作斗争没有中间立场：我们要么赢或输。我们的新策略是建议和加倍我们的集体努力，以便我们最终击败了HTM - 三个仍然杀死了数百万，尤其是来自最贫穷，最脆弱，最脆弱和最边缘化社区的大流行。
数字化转型与我们的抗击饥饿斗争
但这只是我们激动人心的旅程的开始。通过现金转移，我们将打开更多金融包容性的大门，以便人们在世界粮食计划署付款结束后很长一段时间内都能继续从数字金融产品中获得帮助。我们将完善饥饿监测系统，并通过微调数据收集和分析来丰富我们的研究。来自世界粮食计划署行动的动态数据将帮助我们做出更明智、更快、更有针对性的决策，确保我们完成拯救生命的使命。
基于人工智能的提高电子健康素养和抗击信息流行病的方法框架
全球新冠疫情使每个人都迫切需要在线获取和理解健康信息。同时，互联网，尤其是社交媒体平台上产生了大量信息/错误信息/虚假信息，从而引发了信息疫情。新冠疫情这场公共卫生危机对每个人和整个社会都进行了考验：在疫情期间，需要什么样的电子健康素养才能从在线资源中获取准确的健康信息并抗击信息疫情？本文旨在总结提高传染性疾病（如 COVID-19）和非传染性疾病（如癌症、阿尔茨海默病和心血管疾病 (CVD)）的电子健康素养的意义和挑战。此外，本文将提出基于人工智能的提高电子健康素养和抗击信息疫情的总体框架建议，包括人工智能增强的终身学习、人工智能辅助翻译、简化和总结以及基于人工智能的内容过滤。这种基于人工智能的提高电子健康素养和抗击信息流行病的方法的总体框架具有将正确的在线健康信息匹配给正确的人的优势。
基于人工智能的抗击新冠肺炎疫情举措（总体情况）
（注1）红色框表示该技术已经确立，处于产业化阶段；橙色框表示目前正在研发中；绿色框表示目前正在筹划研发项目；蓝色框表示已拥有核心技术，但还处于构思阶段。 （注2）内容分类原则上由各大学或公共机构自行决定。但秘书处可能会酌情进行更改，例如将与其他项目相似的项目归为同一分类。有关实际大学及公共机构登记的分类，请参阅个别记录。
抗击新冠肺炎疫情的下一个挑战
响应者对潜在 COVID-19 疫苗的担忧为可能提高疫苗接种率的干预教育计划提供了重要视角。以色列医护人员和平民受访者最关心的是与疫苗质量控制、副作用和有效性有关的问题。虽然目前的文献广泛涵盖了疫苗的有效性和安全性 [11,12]，但绝大多数响应者的担忧（无论是医护人员还是非医护人员）都是由于公众对 COVID-19 疫苗的快速发展感到不确定。这些担忧可能会阻碍科学界的成就及其传播疫苗的努力。虽然扩大疫苗接种规模
澳大利亚首款人工智能机器人助力抗击新冠肺炎病毒
澳大利亚悉尼——2021 年 6 月 2 日——全球领先的机器人公司软银机器人新加坡（SBRSG）、软银机器人集团亚太区总部今天宣布与澳大利亚病原体缓解公司 GERMii 建立新的合作伙伴关系，以帮助消灭澳大利亚的 COVID-19 病毒，并推出用于 Whiz 的二合一自动商用地板清洁和消毒解决方案 GERMii UV-C。此次合作使软银机器人新加坡（SBRSG）将其人工智能旗舰机器人吸尘器 Whiz 的功能与 GERMii 独特的紫外线 C (UV-C) 技术相结合，该技术可在接触时杀死 COVID-19 细菌。GERMii 与 Whiz 的合作使机器人设备能够利用 UV-C 技术对其路径进行消毒，从而捕获和杀死地板和空气中的病原体。该解决方案已在澳大利亚各地的许多场所投入使用，由于它不仅能灭活 COVID-19 病毒，还能灭活所有已知的日常病毒和病原体，如胃肠道病毒、流感病毒和金黄色葡萄球菌，因此受到了清洁服务公司及其客户的青睐。此外，在 Whiz 自主清洁和消毒地板的同时，清洁人员还可以在电梯、工作站和电子设备等高接触区域挥动 GERMii UV-C 手持设备，立即对表面进行消毒，防止其感染 COVID-19 和其他病毒和细菌。澳大利亚创新者 GERMii 专门研究成熟的 UV-C 消毒或灭菌技术，该技术在澳大利亚设计、制造和本地制造。GERMii 的开创性技术能够在无与伦比的 12 分钟内对飞机等高风险、不通风区域进行消毒，并在短短 5 分钟内对酒店隔离室进行消毒。 Whiz 可以自主工作，让清洁人员专注于其他更高价值的任务，同时免除了清洁人员费力的大规模清洁工作，并在地板清洁标准上保持清洁度的一致性。软银机器人公司首席商务官 Kenichi Yoshida 先生分享道：“我们非常自豪能与澳大利亚出生的创新者合作，共同抗击该地区的 COVID-19。我们的旗舰机器人 Whiz 与 GERMii 合作，将帮助应对澳大利亚人在隔离酒店和其他高风险地区每天面临的真正风险。我们高度重视消除隔离酒店和国际航班的任何传播，致力于通过消除
人工智能在检测、诊断和流行病学领域对抗击 COVID-19 的前景：超越炒作
COVID-19 造成了巨大的痛苦，影响了人们的生活，甚至导致死亡。这种冠状病毒传播的容易程度暴露了世界各地许多医疗保健系统的弱点。自疫情出现以来，世界各地的许多政府、研究团体、商业企业和其他机构和利益相关者一直在以各种方式努力遏制疾病的传播。科学技术帮助许多政府实施了旨在减轻疫情影响以及诊断和治疗疾病的政策。最近的技术工具，尤其是人工智能 (AI) 工具，也被用于追踪冠状病毒的传播、识别高死亡风险的患者和诊断患者是否患有该疾病。本文讨论了人工智能技术在检测、诊断和流行病学预测、预报和社会控制中用于对抗 COVID-19 的领域，重点介绍了成功应用的领域，并强调了在抗击 COVID-19 和未来疫情方面取得重大进展需要解决的问题。目前已开发出多种使用医学成像方式（例如胸部 CT 和 X 射线图像）诊断 COVID-19 的 AI 系统。这些 AI 系统主要在图像分割、分类和疾病诊断算法的选择上有所不同。其他基于 AI 的系统则专注于预测 COVID-19 的死亡率、患者的长期住院率和患者预后。AI 在抗击 COVID-19 大流行方面具有巨大潜力，但迄今为止这些基于 AI 的工具在实际应用中的成功部署受到限制，原因是数据可访问性有限、需要对 AI 模型进行外部评估、AI 专家对医疗领域 AI 工具部署的监管环境缺乏认识、临床医生和其他专家需要在多学科背景下与 AI 专家合作，以及需要解决公众对数据收集、隐私和保护的担忧。拥有一支在医疗数据收集、隐私、访问和共享方面具有专业知识的专业团队，使用联邦学习，即人工智能科学家将训练算法交给医疗机构在本地训练模型，并充分利用存储在生物库中的生物医学数据，可以缓解这些挑战带来的一些问题。应对这些挑战